新闻详情

新闻详情

首页 / 资讯中心 / 详情

《HarmonyOS 7 跨设备数据协同专题》04:DistributedKVStore 的 PUSH、PULL 与最终一致性【鸿蒙心迹】

发布时间:2026/10/26 6:53:39来源:尧图网络
《HarmonyOS 7 跨设备数据协同专题》04:DistributedKVStore 的 PUSH、PULL 与最终一致性【鸿蒙心迹】
手机改了平板也改了最后谁覆盖谁前三篇做的都是实时内存同步适合正在编辑的笔记。这篇做持久化大量笔记记录要存到数据库里跨设备同步。最开始以为同步就是把两边数据合一下就行。结果两边都改了同一条记录到底听谁的一、分布式 KVStore 是什么分布式 KVStore 就是一个键值数据库数据可以跨设备同步。和分布式数据对象不一样数据对象是内存里的实时同步KVStore 是持久化的存在本地数据库然后按策略同步。类型存储方式同步方式DistributedDataObject内存实时同步DistributedKVStore本地数据库按策略同步二、三种同步模式手动同步的时候有三种模式模式方向说明PUSH_ONLY只推把本地数据推给对端PULL_ONLY只拉从对端拉数据下来PUSH_PULL双向两边数据互相同步这段代码解决什么问题手动同步 KVStore。文件distributed/NoteStore.ets用途持久化笔记同步接入位置网络恢复后import{distributedKVStore}fromkit.ArkData;// 手动同步kvStore.sync(deviceIds,distributedKVStore.SyncMode.PUSH_PULL,(err,result){if(err){console.error(同步失败);return;}console.log(同步完成:,result);});三、最终一致性是什么意思同步完成了不是说两边数据完全一样。是最终一致。意思是现在可能不一样过一会儿同步完了就一样了。不是强一致。四、几个容易踩的坑第一个坑什么情况都用 PUSH_PULL。有些场景只推或者只拉就够了。第二个坑把同步完成理解成强一致。同步完也可能有冲突。第三个坑设备离线疯狂重试。离线了就别一直重试等连上再同步。第四个坑大量数据每次全量同步。数据量大会很慢。五、冲突怎么处理两边都改了同一条记录冲突怎么办正确的做法是加版本字段或者更新时间。谁更新时间新听谁的。这次做持久化同步最大的体会是持久化同步不是实时内存同步是按策略同步的。要考虑弱网、离线、冲突这些情况不是同步一下就完事了。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/25 4:02:17

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/25 5:03:13

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉